/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Лицензия
MIT
Архитектура
xlm-roberta · dense
Библиотека
sentence-transformers
Опубликована
10 окт 2024

SRBedding-base-v1

ЭмбеддингиТекст → embedding9 профессий

Модель Smartcat для получения эмбеддингов сербского текста и поиска релевантных документов по запросу.

131скачиваний за 30 дней1лайквеса обновлены10 окт 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SRBedding-base-v1 — модель Smartcat для семантического поиска и извлечения информации на сербском языке. Это Sentence Transformer на архитектуре XLM-RoBERTa, дообученный на базе e5-multilingual-base. Модель преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для сравнения сходства и ранжирования результатов поиска.

Модель рассчитана на поиск релевантных документов по запросу, в том числе в коллекциях сербской Википедии, новостей и других текстов. В README указана максимальная длина входа 512 токенов; метаданные сообщают о 305,2 млн параметров и контекстном окне в 514 токенов. Для использования нужен текстовый запрос или документ; результатом служат векторные представления.

README описывает оценку на сербских версиях MS MARCO, Natural Questions и SQuAD, но результаты относятся к указанным наборам и не гарантируют такое же качество на других данных. Модель выпущена по лицензии MIT.

Сценарии применения

  • семантический поиск по сербским документам
  • поиск ответов на сербские вопросы
  • ранжирование документов по релевантности запросу
  • сравнение сходства сербских предложений и абзацев
  • кластеризация сербских текстов по смыслу

Ограничения

Специализация модели — сербский язык, поэтому качество на других языках не установлено. Максимальная длина входа ограничена примерно 512 токенами; приведённые в README оценки получены на конкретных сербских версиях наборов данных.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SRBEdding Information Retrieval Model for Serbian

Model Description

This model is an e5-multilingual-base model fine-tuned for information retrieval tasks in Serbian. It leverages the power of the multilingual e5 base model and adapts it specifically for Serbian language processing. The model employs a Sentence Transformer architecture, which is particularly effective for semantic search, clustering, and other text similarity tasks.

Key Features

  • Base Model: e5-multilingual-base
  • Task: Information Retrieval
  • Language: Serbian
  • Vector Dimension: 768
  • Max Sequence Length: 512

Detailed Description

The model maps sentences and paragraphs in Serbian to a 768-dimensional dense vector space. This dense representation allows for efficient and accurate similarity comparisons between different pieces of text. The maximum sequence length of 512 tokens ensures that the model can handle relatively long text inputs, making it suitable for a wide range of information retrieval tasks.

The fine-tuning process focused on adapting the model to the nuances and specifics of the Serbian language, enhancing its performance on Serbian text beyond the capabilities of the original multilingual model. This specialized training allows the model to capture semantic relationships and contextual information specific to Serbian, resulting in more accurate and relevant information retrieval results.

Training Data

The model was fine-tuned on the serbian_qa dataset, which can be found at: https://huggingface.co/datasets/smartcat/serbian_qa

This dataset comprises context-query pairs specifically curated for Serbian language tasks. The contexts are derived from diverse sources to ensure a broad coverage of topics and language use:

  • Serbian Wikipedia: Providing a wide range of factual and encyclopedic content
  • Serbian news articles: Offering current affairs and contemporary language use
  • A Serbian novel: Including more literary and narrative language styles

The queries in the dataset were automatically generated using the GPT-4 model, ensuring a variety of question types and formulations. This approach helps in creating a robust model capable of handling diverse query styles and intentions.

Evaluation

The model's performance was rigorously evaluated using the InformationRetrieval evaluator from the Sentence Transformers library. This evaluation process ensures that the model performs well on standard information retrieval tasks. The evaluation was conducted on three distinct datasets, all translated to Serbian to match the model's target language:

  1. MS MARCO (Serbian version):

  2. Natural Questions (Serbian version):

  3. SQuAD (Serbian version):

The use of these translated datasets ensures that the model's performance is thoroughly tested on a wide range of query types, topics, and complexity levels, all in the Serbian language context.

Evaluation Results

With much fewer parameters, the model outperfors OpenAI's text-embedding-3-small on 2 out of 3 evaluation datasets, and is close to embedic-base.

Model nameDatasetdotRecall@10dotMRR@10dotNDCG@10dot-MAP@100
text-embedding-3-smallMSMARCO0.9360.4310.5510.434
NQ0.8760.7490.7800.753
SQuAD0.8400.6220.6740.628
multilingual-e5-largeMSMARCO0.9570.4870.6010.490
NQ0.8940.7610.7940.765
SQuAD0.9450.7740.8160.776
embedic-baseMSMARCO0.9720.5020.6150.503
NQ0.9170.7960.8260.799
SQuAD0.9640.8240.8590.826
SRBeddingMSMARCO0.9380.4710.5820.473
NQ0.8350.6900.7250.695
SQuAD0.8600.6460.6980.652

Results of model evaluation on MSMARCO, Natural Questions (NQ) and SQuAD datasets in the Serbian language. The best model overall is presented in underlined and bold, while the results where our model, SRBedding outperformed OpenAI's text-embedding-3-small are presented in bold.

Usage

Here's how to load and use the model with Sentence Transformers:

from sentence_transformers import SentenceTransformer, util

# Load the model
model = SentenceTransformer('smartcat/SRBedding-base-v1')

# Example sentences
sentence1 = "Ово је пример реченице на српском језику."
sentence2 = "Ова реченица је слична првој."

# Encode sentences
embedding1 = model.encode(sentence1)
embedding2 = model.encode(sentence2)

# Calculate cosine similarity
similarity = util.pytorch_cos_sim(embedding1, embedding2)

print(f"Similarity between the sentences: {similarity.item():.4f}")

# Example of finding the most similar sentence
sentences = [
    "Београд је главни град Србије.",
    "Нови Сад је град у Војводини.",
    "Србија је земља у југоисточној Европи."
]

query = "Који је највећи град у Србији?"

# Encode all sentences and the query
sentence_embeddings = model.encode(sentences)
query_embedding = model.encode(query)

# Calculate similarities
similarities = util.pytorch_cos_sim(query_embedding, sentence_embeddings)[0]

# Find the most similar sentence
most_similar_idx = similarities.argmax()

print(f"Query: {query}")
print(f"Most similar sentence: {sentences[most_similar_idx]}")
print(f"Similarity score: {similarities[most_similar_idx]:.4f}")

This code demonstrates how to load the model, encode sentences, calculate similarities, and find the most similar sentence to a given query.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · sentence-transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaModel
Ревизия весов
4b92650

0 моделей